Karpathy说你写的App根本不该存在。他不是在骂谁，是骂自己。
2025年，OpenAI创始成员Andrej Karpathy花了好几天，用AI辅助编程写了一个叫MenuGen的应用。干嘛呢？你去餐厅，服务员递来菜单，上面大部分菜没图。你不知道那菜长啥样。很多人都有这经历，尤其在国外，菜名看不懂，更不知道端上来是个啥。于是Karpathy做了个工具：拍张菜单照片，它帮你把每道菜的样子生成出来。这个App跑在云端，前后端齐全。用了多模态大模型做文字识别，提取菜名，用了图片生成模型渲染菜品，还有用户注册、在线支付，部署在Vercel上。一套完整的Web应用。
然后，2026年4月，Karpathy在红杉资本的AI Ascent峰会上讲了一句话，把自己这作品直接判了死刑。他说，你只需要把菜单照片丢给大模型，附一句话：“帮我把这些菜的样子直接画在菜单上。”几秒钟后，模型返回一张图，跟原始菜单几乎一模一样，只是每道菜旁边多了张逼真的效果图。像素层面，直接完成了渲染。整个MenuGen，几天的工作量，几千行代码，根本没必要存在。
哈喽，大家好，我是王利杰。今天这期内容信息密度会非常高。Karpathy在这场峰会上的访谈，我反复看了好几遍，越看越觉得，他在描述一件我们大多数人还没意识到的事。
他说的不是AI又进步了，不是写代码又变快了。他说的是，一种全新的计算机正在诞生。不是更快的计算机，不是更智能的软件。而是跟我们过去七十年用的东西，在本质上完全不同的计算范式。他把它叫做Software 3.0。
要理解3.0，得先回头看1.0和2.0。Software 1.0，就是我们最熟悉的传统编程。程序员写代码，告诉计算机，输入A，做B，输出C。每一条规则、每一个分支，都是人类用代码精确定义的。你写什么，它就干什么。不多干，也不少干。
Software 2.0，是Karpathy在2017年提出的概念。那时候他在特斯拉负责自动驾驶。他发现，有些问题没法用规则穷举。比如让车识别一个行人。你怎么写规则？
两条腿？穿衣服？有头？那骑自行车的算不算？撑伞的呢？蹲下来系鞋带的呢？规则写到天亮都写不完。2.0的做法是，你不写规则了。你给机器大量的标注数据，让神经网络自己从数据里学出规则。编程的本质，变成了准备数据集和设计训练目标。
那Software 3.0呢？3.0的编程方式变成了说话。你不写代码了，也不准备数据集了。你跟一个大语言模型说：“帮我把这个菜单上的菜画出来。”模型理解你的意思，然后执行。你的上下文窗口里塞进去的信息和指令，就是你撬动这个解释器的杠杆。这个解释器就是大语言模型本身。它理解上下文，在信息空间里执行计算，然后给出结果。
Karpathy说这不是隐喻。这就是正在发生的事。他举了另一个更贴近日常的例子。有一个开源工具叫OpenClaw，就是我之前一期节目讲过的那个奥地利程序员的项目。按传统思维，你要安装软件，应该有个安装脚本对吧？但问题是，不同操作系统、不同硬件配置、不同的软件环境，这个安装脚本会越写越臃肿，越来越容易出错。本质上，这是因为你还在用Software 1.0的思维，试图把所有安装步骤都精确地写成代码。
OpenClaw不这么干。它给你的就是一段文本。你把这段文本复制粘贴给你的AI助手。助手读完之后，会自己检查你的电脑环境，判断需要装什么依赖，然后一步一步把软件装好。过程中出了问题，它自己调试，自己修复。你注意到范式变了没有？以前的编程问题是，我该写什么代码。现在的问题变成了，我该复制粘贴哪段文字给我的AI。这句话听起来像开玩笑，但这就是Software 3.0的日常。
理解了这三个阶段，我们再回头看MenuGen的故事，就完全不一样了。Karpathy写那个App的时候，他的脑子还在1.0和2.0的惯性里。他在想，我需要一个前端来上传图片，一个后端来调用API，一个数据库来存用户信息，一个支付系统来收费。他在用老范式思考新问题。而3.0的解法是什么？没有App。只有一句自然语言指令和一张图片进去，一张图片出来。中间不需要任何中介层。
这就是为什么Karpathy说，大家需要重新调整自己的思路。不要总是沿着既有范式去想，也不要只把AI理解成把原有的事情做得更快。真正的变化是，现在有很多新的东西变得可行了，而这些东西在旧范式里根本不存在。好，到这里你可能会觉得，挺好的嘛，未来一片光明。但Karpathy接下来说了，一件让所有人不太舒服的事。
他说，这些AI模型，不是动物，是幽灵。他之前写过一篇文章叫Animals vs Ghosts，动物与幽灵。动物的智能是怎么来的？进化。几亿年的自然选择，从单细胞到多细胞，从鱼到爬行动物到哺乳动物，DNA编码了学习算法，然后通过漫长的进化外循环一点一点打磨出来。动物有内在动机，有好奇心，有恐惧，有饥饿，有繁殖驱动。这些东西深深嵌在基因里。
AI不是这样来的。AI是在整个互联网的文本上，训练出来的统计仿真电路。它的底座是预训练，就是大规模的模式匹配。然后上面叠加了强化学习，给它装上了一些定向增强的能力。所以Karpathy说，我们不是在制造动物，我们是在召唤幽灵。幽灵有什么特点？参差不齐。英文叫jagged，锯齿状的。同一个模型，你让它重构一个十万行的代码仓库，它干得漂漂亮亮。你让它找零日安全漏洞，它也能找到。
但你问它一个问题：“我想去五十米外的洗车店洗车，我应该开车还是走路？”它会一本正经地告诉你，走路吧，因为距离很近。五十米。走路去洗车。然后你的车还停在原地。你走回来，车还是脏的。一个能处理人类级别复杂工程问题的最先进模型，连洗车要把车开过去这种常识都没有。
以前大家最爱举的例子是，草莓这个英文单词strawberry里有几个r。模型经常答错。但这个问题现在已经被打补丁修掉了。洗车店的例子说明，这种参差不齐是结构性的，不是偶然的。
为什么？Karpathy给出了一个非常底层的解释。两个变量决定了模型在哪些领域会突然变强。第一个变量是可验证性。模型训练的核心机制是强化学习。做对了给奖励，做错了扣分。但只有结果可以被自动验证的任务，才能有效地放进这个训练循环。数学可以验证。代码可以验证，跑一下就知道对不对。所以模型在这些领域突飞猛进。
但开车去洗车店这种常识，怎么自动验证？没有验证环境，就没有训练信号。第二个变量是AI公司关心什么。Karpathy举了个例子。从GPT-3.5到GPT-4，很多人觉得模型下国际象棋的能力提升了很多，以为是整体智能变强的自然结果。他说不一定。据他了解，是有人在OpenAI做了决定，把大量国际象棋棋谱数据加进了预训练集。就这一个决定，模型在国际象棋上的表现，就出现了一个巨大的能力峰值。跟其他领域的提升完全不成比例。
所以模型的能力地形，不是一个均匀上升的平面，而是一片充满山峰和深谷的崎岖地带。山峰是强化学习和数据集重点覆盖的区域。深谷是数据分布从来没有碰过的盲区。如果你的应用场景刚好站在山峰上，你会觉得AI是神。如果你落在深谷里，你会觉得AI连小学生都不如。这对所有使用AI的人来说，都是一个极其重要的认知。你不能笼统地说AI行还是不行。你必须搞清楚，在你的具体场景里，你站在这片地形的什么位置。如果你不在强化学习覆盖的电路里，你可能需要自己做微调，或者做额外的工程工作来弥补。
那人类在这个新世界里还剩下什么？Karpathy引用了一句让他念念不忘的话，我看完也印象极深。你可以外包你的思考，但你不能外包你的理解。他说自己正在变成一个瓶颈。即便只是理解我们到底想构建什么，为什么这件事值得做，我该如何指挥我的AI助手，光是这些事情本身就在成为瓶颈。信息必须以某种方式进入他的大脑。而大脑的带宽是有限的。
这也是为什么Karpathy，对一个叫知识库的东西特别兴奋。他做了一个项目叫LLM Wiki，也就是他说的大模型知识库，让大模型读完一堆文档后，自动生成一个结构化的知识库。每当他读一篇文章，知识库会自动更新和重组。然后他可以围绕这些内容提问、追问、深挖。这种工具的本质是什么？不是增强你的产出，而是增强你的理解。因为如果你不理解，你就无法成为一个好的指挥者。大语言模型本身并不擅长真正的理解。你作为一个人类，仍然是系统中那个独一无二的，负责理解的角色。
Karpathy在这个访谈里，还说了一个关于未来的预判，我觉得非常大胆。他说，他相信未来会出现完全由神经网络构成的计算机。设备直接接收原始视频和音频输入，送进一个神经网络，然后用扩散模型实时渲染出一个用户界面。这个界面是为当下这个具体时刻、即时生成的。
今天的计算机本质上还是计算器。五十年代的时候，人们其实还不确定，计算机到底应该长得像计算器还是像大脑。后来我们选了计算器路线。发展了七十年，就是今天的芯片、操作系统和应用商店。但未来这件事可能要反过来。神经网络变成主进程，传统CPU变成协处理器。神经网络承担绝大部分核心负载。而那些需要一加一精确等于二的确定性计算，变成了附属工具。就像今天GPU已经在很多场景下比CPU更重要了，只是将来这个趋势会推进到一切计算领域。
Karpathy还提到了一个很多人没想到的影响。招聘。他说现在大多数公司想招厉害的AI工程师，但面试方式还停留在旧范式。出一道小谜题，让候选人在白板上写算法。这是在考什么？考记忆力，考手写代码的熟练度。但这些能力在Software 3.0时代，几乎没有价值。
他建议面试应该变成这样，给候选人一个大项目，比如用AI写一个完整的社交平台，然后部署上线。接下来公司放十个AI去攻击这个平台，试图把它搞崩。看候选人怎么用工具，怎么组织架构，怎么在AI的帮助下构建出一个既强大又安全的系统。考的不再是你能不能写代码，而是你能不能指挥AI做出真正靠谱的东西。这背后隐含的信号是什么？连评判人才的标准都在被重新定义。
听到这你可能想问，那人类现在到底该怎么办？Karpathy的回答很务实。他说，目前AI还是一个能力很尖锐的实习生。有时候表现惊艳，有时候犯很蠢的错误。
他用MenuGen举了一个真实的bug。用户用谷歌账号注册，但买积分走的是Stripe支付。两边系统都有邮箱地址。AI在写代码的时候，直接拿两边的邮箱地址去做匹配，把支付跟用户关联起来。问题是，你完全可能谷歌用一个邮箱，支付用另一个邮箱。一旦不一样，系统就把你的钱搞丢了。因为AI根本没有意识到，应该用一个统一的用户ID来绑定所有系统，而不是用邮箱这种随意的信息做关联。这种错误，一个有经验的工程师一眼就能看出来。但AI看不出来。它只是在预测下一个最可能的代码片段，不是在理解系统设计的本质逻辑。
所以Karpathy说，人仍然必须负责规格，负责计划，负责品味，负责判断。AI负责在这个框架内填空。人是建筑师，AI是施工队。但他紧接着说了一句让我脊背发凉的话。他说，没有什么根本性的东西阻止AI在这些方面继续进步。品味、判断、审美这些东西，目前之所以还不行，可能只是因为AI公司还没有，把它们放进强化学习的训练环境里。还没有人去构建专门训练品味的奖励函数。一旦他们找到办法，这些能力也会像代码能力一样，出现飞跃。
他还举了一个例子。他做了一个叫microGPT的项目，目标是把大语言模型的训练过程简化到极致。但模型非常抗拒这件事。他反复提示AI去简化、去精炼，AI就是做不到。那种感觉就像拔牙，而不是光速前进。因为简洁和优雅这种审美，根本不在模型的强化学习电路里。但这不代表它永远做不到。只是还没有人专门去训练这个能力而已。
所以我们面对的局面是这样的。一种全新的计算范式正在诞生。编程不再是写代码，而是说话。App不再是必需品，很多场景下一句自然语言就能替代一整个应用。AI的能力参差不齐，像幽灵一样，在某些领域超人，在另一些领域连常识都没有。人类最后的护城河，不是技能，不是知识，甚至不是思考能力，而是理解。但这个护城河能守多久？Karpathy说品味和判断只是还没被训练到。这意味着，留给人类的窗口期可能比我们以为的要短得多。
作为一个投资人，我看到的是这样一幅图景。过去我们投资一家公司，核心看它的技术壁垒。现在的问题是，技术壁垒正在以前所未有的速度被侵蚀。一个人用几句话就能让AI做出一个完整的产品原型。那真正的壁垒在哪？也许就在Karpathy说的那个词里。理解。
对行业的深刻理解。对用户的深刻理解。对什么值得做、什么不值得做的深刻理解。这些是AI目前还给不了你的。但问题是，你有没有在真正地去理解？还是你也在把理解外包给AI？这个问题，我留给你。我是王利杰，我们下期见。